文献

J-GLOBAL ID：201702230536278039   整理番号：17A1773054

フィードバックネットワーク【Powered by NICT】

Feedback Networks

著者 (7件)： Zamir Amir R. ,  Wu Te-Lin ,  Sun Lin ,  Shen William B. ,  Shi Bertram E. ,  Malik Jitendra ,  Savarese Silvio
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CVPR  ページ： 1808-1817  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Urrently,コンピュータビジョンにおける最も成功した学習モデルは学習連続表現とそれに続く意思決定層に基づいている。これは通常,フィードフォワード多層ニューラルネットワーク,例えばConvNets(畳み込みニューラルネットワーク)による実現であり,個々層はこのような連続的な表現の一つを形成する。しかし,同じ目標を達成できる代替は,表現は,以前の反復出力から受けたフィードバックに基づく反復法で形成されるフィードバックベースのアプローチである。フィードバックベースのアプローチはフィードフォワードを超えるいくつかのコアの利点を持っていることを確立した:それは問い合わせ時間での初期予測を可能にし,その出力は自然ラベル空間の階層構造(例えば分類)に準拠し,カリキュラム学習のための新しい基礎を提供する。フィードバックはフィードフォワード対応物と比較してかなり異なる表現を開発し,前述の利点と一致してことを観測した。既存RNNを用いた例示,同等のエンドポイントの結果を既存のフィードフォワードネットワークと上記利点の添加よりも良好な一般的なフィードバックに基づく学習アーキテクチャを提供した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ニューラルネットワーク ,  学習モデル ,  *フィードバック ,  学習 ,  逐次近似 ,  意思決定 ,  畳込み ,  計算機アーキテクチャ ,  予測 ,  コンピュータビジョン ,  階層構造 ,  フィードフォワード ,  カリキュラム
準シソーラス用語： フィードフォワードニューラルネットワーク ,  エンドポイント , 【Automatic Indexing@JST】

分類 (3件)： ニューロコンピュータ  (JC06010Q) ,  ロボットの設計・製造・構造要素  (IC04013A) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (1件)： フィードバック